Genomics

Die hugging-science-Skill hilft dir, wissenschaftliche KI-Ressourcen aus dem Hugging Science-Katalog und der Hugging-Face-Organisation `hugging-science` zu finden und zu nutzen. Sie passt zu Biologie, Chemie, Klima, Genomik, Materialwissenschaften, Astronomie und ähnlichen Aufgaben, wenn du einen Datensatz, ein Modell, einen Space oder einen Blogbeitrag suchst, den du tatsächlich ausführen oder zitieren kannst. Nutze sie für hugging-science-Nutzung und hugging-science-Guide-Workflows statt für eine allgemeine Suche.

dnanexus-integration ist eine praxisnahe Fähigkeit für Genomik-Workflows in der DNAnexus-Cloud. Sie hilft beim Erstellen von Apps und Applets, beim Verwalten von Uploads und Downloads, beim Ausführen von Workflows und beim Automatisieren von Pipelines mit dxpy. Der Leitfaden zu dnanexus-integration unterstützt Backend-Entwicklungsaufgaben mit FASTQ-, BAM- und VCF-Dateien sowie plattformspezifische Konfiguration und Job-Ausführung.

scvi-tools ist ein Python-Framework für probabilistische Single-Cell-Analysen. Verwenden Sie diesen scvi-tools Skill für Batch-Korrektur, latente Embeddings, differentielle Expression mit Unsicherheit, Transfer Learning und multimodale Integration. Er eignet sich besonders gut für Single-Cell-RNA-seq-, ATAC-, CITE-seq-, Multiome- und Spatial-Workflows, vor allem bei fortgeschrittenen Machine-Learning-Anwendungsfällen.

scvelo ist ein Python-Skill für die RNA-Velocity-Analyse in Single-Cell-RNA-seq-Daten. Nutzen Sie ihn, um Zellzustandsübergänge aus ungespleißter und gespleißter mRNA zu schätzen, die Richtung von Trajektorien abzuleiten, die latente Zeit zu berechnen und Treiber-Gene zu identifizieren. Besonders hilfreich ist scvelo für Data Analysis, wenn Sie mehr Richtungsinformation benötigen als bei klassischem Clustering oder Pseudotime.

scanpy-Skill für die Analyse von Single-Cell-RNA-seq-Daten in Python. Geeignet für QC, Normalisierung, PCA, UMAP/t-SNE, Clustering, Markergen-Analyse, Trajektorienanalyse und Plots in Publikationsqualität. Am besten für explorative scRNA-seq-Workflows rund um AnnData, mit klaren Hinweisen zur Nutzung von scanpy und zur Installation.

pydeseq2 ist ein Python-DESeq2-Skill für die Differential-Expressionsanalyse von Bulk-RNA-seq-Daten. Verwenden Sie ihn, um Bedingungen zu vergleichen, Einzel- oder Mehrfaktor-Designs zu modellieren, Wald-Tests und FDR-Korrekturen anzuwenden sowie Volcano- oder MA-Plots in pandas- und AnnData-Workflows zu erstellen.

gget ist eine Bioinformatik-Skill für den schnellen, einheitlichen Zugriff auf mehr als 20 genomische Datenbanken und Analysewerkzeuge über CLI oder Python. Nutzen Sie ihn für Geninformationen, BLAST-nahe Abfragen, AlphaFold-Strukturen, Expressionsdaten, Krankheitsassoziationen und Analysen im Stil von Enrichment-Workflows. Er eignet sich für schnelle Exploration und für gget in Data-Analysis-Workflows.

geniml ist ein Skill für Machine Learning mit genomischen Intervallen auf BED-Dateien, scATAC-seq-Ausgaben und Daten zur Chromatinzugänglichkeit. Nutzen Sie ihn für Region2Vec, BEDspace, scEmbed, Konsensus-Peaks und andere ML-Workflows auf Regionsebene. Er passt gut, wenn Sie Embeddings, Clustering oder Hinweise zur Vorverarbeitung für genomische Regionen benötigen.

etetoolkit ist ein Toolkit für phylogenetische Bäume im ETE-Workflow. Verwenden Sie das etetoolkit-Skill zum Parsen, Bearbeiten, Vergleichen, Rooten, Beschneiden und Visualisieren von Bäumen in Newick, NHX, PhyloXML oder NeXML. Es unterstützt Phylogenomik, Orthologie-/Paralogie-Analysen, NCBI-Taxonomie sowie PDF- oder SVG-Ausgabe im Publikationsstil.

depmap unterstützt die Analyse der Cancer Dependency Map für Gen-Dependency-Scores von Krebszelllinien, Arzneimittel-Empfindlichkeit und Gene-Effect-Profile. Nutzen Sie es, um krebsspezifische Schwachstellen, synthetisch-letale Interaktionen und validierte Wirkstoffziele in der Onkologie mit einem reproduzierbaren depmap-Leitfaden für Data Analysis zu identifizieren.

Die deeptools-Skill unterstützt bei NGS-Analyse-Workflows mit deepTools: BAM-zu-bigWig-Konvertierung, QC, Probenvergleich sowie Heatmaps und Profildiagramme für ChIP-seq, RNA-seq, ATAC-seq und verwandte Assays. Nutze sie als praxisnahen deeptools-Leitfaden, wenn reproduzierbare Analysen und Visualisierungen per Kommandozeile gefragt sind.